多时序图像处理方法、电子设备及存储介质技术

本发明专利技术公开了一种多时序图像处理方法、电子设备及存储介质，该方法包括以下步骤：1)多时序感兴趣区域分割；2)感兴趣区域综合特征提取；3)多时序图像特征提取；4)图像集处理：5)将所述步骤4)得到的特征矩阵M进行特征筛选后通过分类器进行分类，获得图像处理结果。本发明专利技术的多时序图像处理方法，能同时实现对多个病人的多时序图像分类，从多时相特征中能得到更加丰富的影像学定量特征；本发明专利技术通过构建多时相影像特征及其不同时相之间的特征差异，共同构成特征集合，可以更加有效的反映不同组织的影像学表现，利于得到更加丰富的影像学信息。

【技术实现步骤摘要】
多时序图像处理方法、电子设备及存储介质
本专利技术涉及医学图像处理
，特别涉及一种多时序图像处理方法、电子设备及存储介质。
技术介绍
肿瘤是一种常见的恶性肿瘤，如肺结节，临床研究发现用CT诊断肺结节的准确率高，CT图像可在临床上用于疾病筛查、预后评估、疗效评估等。对图像进行医学影像处理分析能为医生的判断提供有利的数据支撑，具有极高的实用意义。例如专利201810165489.6提供了一种采用影像组学技术进行低辐射剂量肺结节筛查的方法。目前针对多时序图像的医学影像处理方法，不适用多时相图像，无法计算不同时相之间影像特征的变化，而很多影像感兴趣区域，在不同时相影像中有不同的影像学表现，这些影像学表现的变化，反映了组织之间的区别。所以能适用多时相图像的处理方法势必能利于从图像中获得更加丰富的有用信息，但现在缺少可靠的方法。
技术实现思路
本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种多时序图像处理方法、电子设备及存储介质。为解决上述技术问题，本专利技术采用的技术方案是：一种多时序图像处理方本文档来自技高网...

【技术保护点】
1.一种多时序图像处理方法，其特征在于，包括以下步骤：/n1)多时序感兴趣区域分割：/n对一个病人的一个时相的组织图像进行感兴趣区域分割，获得J个ROI图像；/n2)感兴趣区域综合特征提取：/n计算每个ROI图像的7个特征向量，包括：一阶统计矩特征向量F

【技术特征摘要】
1.一种多时序图像处理方法，其特征在于，包括以下步骤：
1)多时序感兴趣区域分割：
对一个病人的一个时相的组织图像进行感兴趣区域分割，获得J个ROI图像；
2)感兴趣区域综合特征提取：
计算每个ROI图像的7个特征向量，包括：一阶统计矩特征向量Ffos、计算三维形状特征向量Fs3d、灰度共生矩阵特征向量Fglcm、灰度行程矩阵特征向量Fglrlm、灰度区域大小矩阵特征向量Fglszm、相邻灰度差分矩阵特征向量Fngtdm及灰度相关矩阵特征向量Fgldm，将同一个ROI图像的上述7个特征向量按照行方向逐一拼接成，形成新的特征向量，记作Fi，i＝1,2，…,J，然后将所有ROI图像的Fi按照行方向逐一拼接，得到感兴趣区域的综合特征向量Z；
3)多时序图像特征提取：
对一个病人的m个时相的组织图像按照所述步骤1)和步骤2)的方法，分别提取其综合特征向量，记作Zm；计算不同Zm之间的差异矩阵Zmm’，根据Zm和Zmm’计算一个病人的m个时相的组织图像的多时相图像特征向量Df；
4)图像集处理：
按照所述步骤1)-3)，获得所有病人各自的多时相图像特征向量Dfx，x＝1,2，…,X，X表示病人总数；
对Dfx按照列方向逐一拼接，形成图像集的特征矩阵，记作M；特征矩阵M中的行向量代表同一个病人的多时相图像的特征值向量，特征矩阵M中的列向量代表不同病人的多时相图像中相同特征名的特征值向量；
5)将所述步骤4)得到的特征矩阵M进行特征筛选后通过分类器进行分类，获得图像处理结果。


2.根据权利要求1所述的多时序图像处理方法，其特征在于，所述步骤1)具体包括：
1-1)对一个病人的一个时相的组织图像进行组织分割，分割后组织区域的像素值保留，其余部位的像素置0，分割的图像记作Ilung；
1-2)灰度标准化：
a)在原图像中选择某一个已进行了组织分割的图像区域作为基准区域，计算其图像灰度均值，记作pbase；对组织区域的像素进行灰度偏置，偏置后的像素值p＝pori-pbase，偏置后的图像记作Ishift；其中，pori表示原图像的像素灰度；
b)设置图像阈值集合，记作τi，i＝1,2，…,J，由τi对Ishift进行阈值分割，高于阈值的像素保留原像素值，小于阈值的像素值置零，分割后的图像记作Ii-binary；
Ii-binary的非零像素区域为原始图像中的感兴趣区域，即一个多时序图像经过J个阈值分割处理后，将产生J个ROI图像，J个ROI图像为感兴趣区域，后续将在J个ROI图像上分别提取特征。


3.根据权利要求2所述的多时序图像处理方法，其特征在于，所述步骤2)中一阶统计矩特征向量Ffos具体包括能量、总能量、熵、最小值、10％分位值、90％分位值、最大值、均值、中位值、四分位差、最大值-最小值、平均绝对偏差、稳健平集合均绝对偏差、均方根、标准差、歪斜率、峰度、方差、均匀性；
计算三维形状特征向量Fs3d具体包括体积、ROI表编辑、ROI表面积和体积比、球形度、紧密度、球不对称度、最大三维直径、伸长率、平坦度；
灰度共生矩阵特征向量Fglcm具体包括自相关系数、联合平均系数、集群出系数、集群阴影、集群趋势、对比度、相关系数、差异平均系数、差熵、联合能量、联合熵、相关性信息测度、逆差矩、最大相关系数、归一化逆差矩、逆差、归一化逆差、最大概率、和平均、和能量、和平方；
灰度行程矩阵特征向量Fglrlm具体包括小面...

【专利技术属性】
技术研发人员：戴亚康，李敏，周志勇，胡冀苏，钱旭升，耿辰，
申请(专利权)人：中国科学院苏州生物医学工程技术研究所，苏州市第五人民医院，
类型：发明
国别省市：江苏;32